해석 가능한 알츠하이머병 영향 탐지를 위한 노이즈 제거 확산 모델을 통한 반사실적 MRI 생성

초록 최근 생성 AI 모델들은 안정적인 확산, DALL-E 및 MidJourney와 같은 강력한 접근 방식의 출현과 함께 주류의 주목을 받았습니다. 노이즈 제거 확산 모델링의 기반이 되는 혁신적인 생성 메커니즘은 고품질 합성 이미지를 생성할 수 있으며, 복잡하고 고차원 데이터의 기본 분포를 학습할 수 있습니다. 최근 연구에서는 이러한 모델을 의료 및 특히 신경영상 데이터로 확장하기 시작했습니다. 진단 분류 및 예측 모델링과 같은 전형적인 신경영상 작업은 종종 합성곱 신경망(CNN) 및 비전 변환기(ViT)를 기반으로 한 심층 학습 접근 방식에 의존하며, 결과 해석을 돕기 위한 추가 단계를 포함합니다. 우리의 논문에서는 개별 수준에서 알츠하이머병(AD)이 뇌 해부학에 미치는 영향을 통찰하기 위해 조건부 잠재 확산 모델(LDM) 및 노이즈 제거 확산 확률 모델(DDPM)을 훈련합니다. 우리는 먼저 실제 3D T1-강조 MRI 스캔에서 훈련하여 합성 MRI를 생성할 수 있는 확산 모델을 생성하였으며, 임상 진단을 맥락 변수로 하여 생성 프로세스를 조건화했습니다. 우리는 훈련 데이터셋 크기, 컴퓨팅 시간 및 메모리 자원의 한계를 극복하기 위해 실험을 수행하였으며, 다양한 모델 크기, 사전 훈련의 효과, 훈련 기간 및 잠재 확산 모델을 테스트했습니다. 우리는 생성된 합성 MRI의 현실성과 다양성을 평가하기 위해 질병 조건화 확산의 샘플링 품질을 테스트했습니다. 또한, 우리는 3D CNN 기반 질병 분류기를 사용하여 실제 MRI와 상대적인 조건으로 MRI 뇌를 샘플링할 수 있는 확산 모델의 능력을 평가했습니다. 우리의 실험에서 확산 모델은 AD 분류기를 훈련하는 데 도움을 준 합성 데이터를 생성했습니다(단 500개의 실제 훈련 스캔 사용) - 그리고 실제 MRI 스캔에서 테스트했을 때 3% 이상의 성능 향상을 이끌어냈습니다. 추가로 우리는 암호화된 개별 스캔의 조건을 그 반사실적(동일한 나이와 성별의 건강한 피험자를 나타내는)으로 변경하기 위해 암묵적 분류기 없는 가이드를 사용하면서 피험자 특정 이미지 세부 사항을 보존했습니다. 이 반사실적 이미지에서(같은 사람이 건강해 보이는) 개인화된 질병 지도가 생성되어 뇌에 미치는 가능한 질병 효과를 식별할 수 있었습니다. 우리의 접근 방식은 현실적이고 다양한 합성 데이터를 효율적으로 생성하며, 신경과학 연구와 임상 진단 응용을 위한 해석 가능한 AI 기반 지도를 생성할 수 있습니다.